微信扫码
与创始人交个朋友
我要投稿
随着大型语言模型(LLMs)在问答任务中表现出色,如何将实时知识更新整合到这些模型中成为一个挑战。尤其是处理多跳问题时,LLMs需要更新和整合与问题相关的多个知识点。现有的模型编辑方法在处理多跳问题时面临困难,因为它们往往无法有效地处理知识点之间的复杂联系,导致生成过时或不正确的回答。
图1:一个传统基于相似性搜索未能检索到LLM编辑正确事实的例子
图 2 展示了检索增强型上下文模型编辑方法的整体框架。包括以下几个关键组成部分:
外部知识图谱:用于存储编辑过的事实和未编辑的事实,为检索过程提供丰富的知识基础。
基于互信息的检索:通过最大化问题和检索到的子图之间的互信息,来识别与问题最相关的知识子图。
冗余知识剪枝:使用编辑不确定性来评估检索到的事实集,并剪除那些可能导致模型输出不确定性增加的冗余或不相关事实。
上下文学习编辑:将经过剪枝的、与问题最相关的事实集作为输入,结合编辑模板,通过LLMs的上下文学习能力来生成准确的答案。
编辑模板:一种特定的提示结构,用于指导LLMs如何结合问题和事实来产生正确的输出。
图4:多跳事实检索准确率(%)比较
Retrieval-Enhanced Knowledge Editing for Multi-Hop Question Answering in Language Modelshttps://arxiv.org/pdf/2403.19631.pdf
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-08-18
当产品经理谈到用LLM Agent构建新一代智能体的时候,他们在说什么?
2024-08-15
对话AI教育从业者们:AI如何解决因材施教的难题?
2024-08-03
工业应用中的向量数据库与知识向量化存储方案
2024-07-25
两大深度学习框架TensorFlow与PyTorch对比
2024-07-17
让生成式 AI 触手可及:NVIDIA NIM on VKE 部署实践
2024-07-16
中文大模型基准测评2024上半年报告
2024-07-16
一文看懂人工智能的起源、发展、三次浪潮与未来趋势
2024-07-14
"自拍" 秒变 "证件照" 看Coze如何实现
2024-05-14
2024-04-26
2024-05-22
2024-04-12
2024-07-18
2024-03-30
2024-05-10
2024-08-13
2024-04-25
2024-04-26